很多人到今天都没真正想明白：为什么全球最前沿的科技创新几乎都发生在美国，为什么美股能一涨就是一百多年、越涨越强。

绝大多数人的理解都停留在表层，以为是“美国公司厉害”，但从根上看，这完全不是原因。真正的答案是: 系统级护城河。

美国最核心的一条护城河，是全世界独一无二：它是唯一能够持续吸走全球顶尖人才的国家。

几乎所有国家的人才库大小 = 本国人口。

而美国的人才库大小 = 全球 80 亿人口。别人选的是“本地最聪明的人”，美国选的是“全球最聪明的人”。

美国永远处于“人才通胀”，而其他国家永远面临“人才通缩”。

为什么全世界最聪明的人最终会流向美国？因为那里集中着顶级大学、最强科研体系、最完善的创业生态、最多的风投资金、最成熟的股权激励制度、最高的试错容忍度、以及全球最深的资本市场。

在美国，聪明人能把“聪明”这件事变成“成果”，而成果又能被迅速资本化。

于是，你会看到一个其他国家根本无法复制的循环：人才 → 技术 → 企业 → 利润 → 股价。

这是一个闭环，并且是一个不断自我加速的闭环。

人才越多，创新越强；创新越强，资本越愿意下注；

资本越涌入，土壤越肥沃；土壤越肥沃，又吸引更多全球人才继续流入。

美股为什么能涨一百多年？不是因为“美国股民会投资”，不是因为“美国公司命好”，而是因为你买的不是一堆股票，而是全球最顶尖人才在持续创造技术、企业与利润的复利链条。

说白了，你投资美股，赚到的本质上是全球最聪明那 0.1% 人的毕生努力所产生的长期复利。这就是别人学不来、抢不走、也复制不了的底层逻辑。 December 12, 2025

リコリコのヒットの際にも「これは百合じゃない」って議論とか出たんですが、結局アレは百合にさほど興味のない大多数のオタクには百合モノという認識をされましたし、結果的に百合アニメがヒットしたという実績の影響で立ち上げやすくなった百合アニメの中に尖った作品が出るでしょうし。アサウラ先生がラノベ作家デビュー時にやや尖った百合ラノベ書いてさっぱり売れずに百合をしばらく書かなくなったりしたって経緯を考えても、リコリコってまず百合オタク以外にもリーチするところを美味く狙った「折れ」の戦略を感じましたよ December 12, 2025

しかしなんというか、高市が総裁になるまではそんなに反応を示していなかったくらいの人が大多数だったと思うんだけど、高市に対するヒステリックな反応を見て同情票で高市支持側に傾いている傾向があって、反高市の方々は本当に敵に塩を送るのが上手だなあと感心しますね。
かくいう自分も総裁選まで何のコメントも出さないくらいには無関心だったのだが、台湾の件などで《結果的に》高市のやっていることを擁護せざるを得ないという世論状況になってしまっている。 December 12, 2025

トランプ大統領「今日、CDCワクチン委員会が乳児へのB型肝炎ワクチン接種勧告を終了するという、とても良い決定を下した。B型肝炎は主として性的接触か不潔な注射針によって感染する疾患であり、乳児の大多数にはB型肝炎のリスクが全くない。

米国の小児ワクチン接種スケジュールは長年、全く健康な乳児に計72回もの“注射”を求めてきたが、これは世界のどの国よりもはるかに多く、必要量をはるかに超えている。実際、ばかげている。

多くの親や科学者がこの“スケジュール”の有効性に疑問を呈しており、私も同じだ。だからこそ私は大統領覚書に署名し、保健福祉省に対して、世界各国のワクチン接種スケジュールを包括的に評価し、米国のスケジュールをそれらとより良く整合させる作業を『ファストトラック（迅速化）』するよう指示した。米国のスケジュールを、ついに科学と常識というゴールドスタンダードに根ざしたものにするためだ。

私は、ロバート・F・ケネディJr厚生長官とCDCが、わが国の子どもたちのために、この仕事を迅速かつ正確に成し遂げてくれると全面的に信頼している。この件に注意を払ってくれて感謝する。

ロバート・F・ケネディJr健福祉長官 「ありがとう、大統領。こちらでやる。」 December 12, 2025

这才是推特该有的样子，好好地讨论技术、产品、生活

- 但是不管是 @coolish 还是 @0xPickleCati 的方法都不适合几乎所有人

你看到的是走势优美的资金曲线，但是大量的基础知识的补充、练习、总结你都看不到，也没有多少人愿意花苦功夫

- 大家应该选择合适自己的交易方法，像我一直秉承鸡蛋要放在多个篮子里

1️⃣ 主要就是高频套利，几乎0回撤的稳定现金流

但是一样不适合几乎所有人，可能适合绝大多数人的反而是有个稳定的工作

2️⃣ 碰到大机会的逐步抄底，对，我不做空只做多（说的是上仓位的，猪脚饭练手的不算）

3️⃣ 还有很大一部分比例在做各种理财，但是不追求最好回报，但是追求最高的安全性（从赌场逻辑，高apy回报率其实反而更低，因为本金有概率会没的）

你说羡慕他们么？羡慕
但是会按照他们这么做么？不会

因为我是极端的风险厌恶者

我们都要选择最适合自己的交易策略 December 12, 2025

@kimomikimomik まねきねこは店舗によっては料金案内を一切せず利用させます。
基本使わない方がいいんですよ。
もちろんまともな店舗が大多数ですけれど、そのリスク追うくらいなら他の店行くよっていう。 December 12, 2025

キボシイシガメのサイテスⅠ昇格は見送られたか。愛好家としてはとにかく流通可能な状況が続き、登録不要・マイクロチップ不要なら別に構わないという方が大多数だと思う。WCの流通が禁止されたところで、倭国への輸入はとっくに止まっていて今更だし。CB主体で国内市場が回ってる点を評価して欲しい。 December 12, 2025

現在進行形で国民を裏切り続けてる党にいわれてもねぇ。
大多数の国民の評価は、立民よりは遥かにマシ、だと思うけど。政党別支持率を見ても立民は下がり維新はあがり、両党の支持率肉薄してて、そのうちひっくり返る未来しか見えないが。 https://t.co/68uXyaoeKB December 12, 2025

@TamaC61921300 荒れまくりのお祭りは不健全だったり被害者がいたりはしても楽しんでる人が大多数だったよ……今のこのX上で行われてるそういうやつ、本気で怒ってて全然楽しんでない人ばっか　誰も得しない、だから見るに堪えない December 12, 2025

Google TPU 要干掉英伟达了吗？Meta 被曝将大规模采购 TPU，引发市场震动。但真相是：TPU 能撼动英伟达，却永远无法取代英伟达。这不是性能之争，而是生态、时机与战略的较量。

The Information 的一篇重磅报道把整个 AI 行业给炸了，Meta 正在与 Google 进行秘密谈判，计划大批量采购 Google 的 TPU 芯片，用于部分替代英伟达的 GPU 以支持其庞大的数据中心 AI 运算。

根据报道披露的细节，这盘棋下得很大：
- 2026 年： Meta 将大规模租用 Google 云服务（Google Cloud）上的 TPU 算力进行模型训练；
- 2027 年： Meta 将直接采购数十亿美元的 TPU 芯片，部署于自建的数据中心内。

什么？全球最大的 GPU 采购大户要抛弃英伟达了？ Google 的 TPU 居然要走出自家机房，去取代英伟达的 GPU 了吗？

消息一出，资本市场瞬间恐慌了。英伟达股价应声大跌，而 Google 则逆势暴涨，大家都在问：难道英伟达靠 GPU 垄断 AI 数据中心的故事真的讲不下去了吗？TPU 开始逆转了战局了吗？要讲明白这场 GPU vs TPU 的战争，我们要先从英伟达为什么能够像“铁桶”一般垄断 AI 数据中心讲起。

当今的 AI 技术堆栈：一座精密的金字塔

今天的人工智能是一个无比庞大的工业化产业。像 ChatGPT 这样顶尖的 AI 产品，其背后是由一层一层的技术基石堆砌而成的，这在 IT 行业被称为“技术堆栈（Tech Stack）”。
即使采用最粗略的划分方式，要支撑起当下的生成式 AI，至少也包含 5 层关键技术，缺一不可：

- 第一层：算力硬件层（Infrastructure） 这是金字塔的底座，是一切的基础。核心代表毫无疑问是英伟达的 GPU 和 Google 的 TPU。它们提供了 AI 运算所需的庞大算力，就像是工业时代的电力引擎。
- 第二层：系统软件与加速层（System & Compiler） 光有芯片还不够，AI 计算需要成千上万个芯片协同工作。这一层负责调度硬件并优化效率，充当硬件与上层软件的翻译官，它们决定了你能发挥出硬件多少潜能。这一层最典型的护城河技术，就是英伟达的 CUDA，而 Google 的 TPU 也有能够把上层软件编译为 TPU 机器码的 XLA 编译器。
- 第三层：深度学习框架（Deep Learning Frameworks） 想要构建和训练大规模神经网络，开发者不能手搓底层的软件代码，需要成熟的“脚手架”。业界目前最流行的是 META 发起开源软件 PyTorch（目前对 GPU 生态支持最好，是事实标准），以及 Google 发起的开源软件 JAX 和经典的 TensorFlow。
- 第四层：基础大模型（Foundation Models） 这是由深度学习框架训练出来的“超级大脑”，是目前竞争最激烈的战场。
- 语言/多模态模型： 如 OpenAI 的 GPT-5、Google 的 Gemini 3；
- 视频生成模型： 如 OpenAI 的 Sora、Google 的 Veo；
- 图像生成模型： 如 Google 的 Imagen、Midjourney。
- 第五层：AI 应用与交互层（Applications & Agents） 这是用户直接接触的产品。它将底层强大的模型能力封装成人类可以交互的工具。例如 ChatGPT，它的底层核心是 GPT 模型，但它本身是一个增加了对话界面、联网搜索、记忆功能的产品；又比如 Google 的 NotebookLM。

为什么英伟达在 AI 数据中心市场形成了绝对垄断？

我们经常感叹英伟达的 GPU（如 H100、H200、B200）硬件参数如何炸裂，但这只是冰山一角。英伟达之所以能对 AI 数据中心市场形成近乎无解的垄断（市占率一度超过 95%），主要源于以下三个维度的降维打击：

1. 通用性极强的单点算力 英伟达的 GPU 本质上是通用计算加速器（GPGPU）。它不仅能完美覆盖 AI 大模型的训练（Training）和推理（Inference），还能兼顾科学计算（气象模拟、药物研发）、图形渲染甚至加密货币挖掘。这种“一卡多用”的特性，使其成为了数据中心的硬通货——买了永远不亏，不用来炼丹还能用来挖矿（开玩笑，但道理如此）。
2. 恐怖的集群扩展能力（Scale-up & Scale-out） AI 大模型训练不是单打独斗，而是需要成千上万张显卡协同作战。英伟达在这方面做得太绝了：
- 节点内互联：通过独家的 NVLink 技术，英伟达可以将多个 GPU（甚至高达 72 个 GPU 组成的 GB200 NVL72 机柜系统）连接成一个“超级逻辑 GPU”，显存和算力实现无缝共享。
- 节点间互联：通过收购 Mellanox 获得的 InfiniBand 高速网络技术，让成千上万台服务器之间的数据传输快如闪电，解决了大规模集群的通信瓶颈。
3. 真正的护城河：CUDA 软件生态 这是英伟达最难被逾越的壁垒，就像 PC 时代的 Windows 操作系统。
- 底层基石：CUDA 提供了最底层的并行计算库，几乎所有的高性能计算场景都基于此构建，经过了 20 年的打磨。
- 顶层框架：当今统治级的深度学习框架 PyTorch 对 CUDA 提供了最原生的支持。这意味着开发者只需编写几行 Python 代码，就能调用底层强大的算力。
- 生态闭环：围绕 PyTorch/CUDA/GPU 已经形成了一套成熟的“开箱即用”基础设施。

为什么竞争对手很难追赶？ 即使竞争对手（如 AMD 或国产芯片厂商）在硬件参数上追平了 H200，依然无法撼动英伟达的地位。因为缺乏庞大的软件生态支持，意味着极高的迁移成本和时间风险。

一个真实的行业痛点（听起来很痛）： 目前很多致力于适配非英伟达芯片的 AI 团队都面临着巨大的痛苦。许多针对英伟达 GPU 进行过深度优化的模型（特别是涉及复杂算子或 MoE 架构的模型），一旦迁移到其他芯片平台，往往会面临严重的兼容性问题。
- 开发难：大量算子需要从头手写，费时费力，如同用汇编语言写网页。
- 稳定性差：模型训练过程中经常出现莫名其妙的数值溢出或系统崩溃（Crash）。

在当前的 AI 竞赛中，一次全量模型训练往往耗时数月，成本以千万美元计。如果因为芯片兼容性导致训练中途崩溃几次，浪费的不仅是电费，更是半年甚至一年的宝贵时间窗口。这种巨大的试错成本，是任何一家争分夺秒的 AI 公司都无法承受的。传言某国内顶级 AI 模型就是因为在国产芯片上训练下一代模型频繁崩溃，导致一直难产，真的是太痛了。
这就是为什么英伟达在 AI 数据中心市场越成功，行业对其路径依赖就越严重——因为没有人敢承担离开英伟达的代价。

Google 的 TPU 又是怎么崛起的？

尽管英伟达的统治力无可争议，但是 Google TPU 却是个异类，它不仅活下来了，还活得很好，已在 AI 顶级赛道站稳脚跟。
首先，TPU 已经用实战成绩证明了自己在 AI 大模型训练和推理领域的成功：
- Google 本家基石： Google 最强的 Gemini 系列模型，完全基于 TPU 进行训练和推理；
- 独角兽的选择： 顶级 AI 公司 Anthropic (Claude) 在 Google Cloud 上大规模使用了 TPU 算力；
- 科技巨头的背书： 就连 Apple 在训练其 Apple Intelligence 基础模型时，也公开表示使用了 Google 的 TPU v4 和 v5p 集群，而非英伟达 GPU。

那么，在英伟达已经成为绝对霸主的情况下，Google TPU 凭什么能异军突起？我们不妨对照英伟达成功的三个维度来深度解析：

1. 算力哲学：极度通用 vs 极致专用 英伟达 GPU 的强大在于“通用性”。而 Google TPU 从 2012 年设计之初，就是为了特定用途——大规模矩阵乘法而生。 现在的 AI 大模型训练，本质上就是在大规模地做矩阵乘法。因为放弃了图形渲染等通用功能，TPU 的芯片设计得以大幅简化，从而在“矩阵计算”这单一场景下取得了极致的能效比和性能表现。
2. 互联技术：电互联 vs 光互联 (OCS) 英伟达在服务器间的高速互联（NVLink/InfiniBand）上表现出色，覆盖了从单机多卡到万卡集群的广泛场景。 而 Google TPU 另辟蹊径，主攻超大规模集群互联。Google 引入了独特的 OCS（光路交换）技术，用光互联将成千上万颗 TPU 动态编织在一起。最新的 TPU v5p 单个 Pod 即可容纳 8960 颗芯片，甚至可以通过光互联扩展至数万卡的超级集群。这种架构在大规模并行训练中，展现出了极高的带宽利用率和灵活性，且布线极其整洁。
3. 软件生态：CUDA 帝国 vs JAX/XLA 新势力 英伟达的 CUDA 和 PyTorch 让 AI 开发变得“开箱即用”，这是其最大的护城河。但 Google 经过多年深耕，也打磨出了一套极为硬核的软件栈：
- XLA (2016)： 一个强大的编译器，能将计算图直接编译为 TPU 机器码，榨干硬件性能。
- JAX (2018)： 一个旨在替代 TensorFlow 的前沿框架。
对比 PyTorch： PyTorch 是面向对象编程，符合人类直觉，简单易用；而 JAX 是函数式编程，学习曲线陡峭，但在处理超大规模并行计算时具有先天优势，代码更简洁，数学表达更纯粹。
跨界打击： JAX 的优秀甚至溢出了 TPU 生态。如马斯克的 xAI 虽然使用的是英伟达 H100 集群，但为了追求对硬件性能的极致压榨，在训练 Grok 模型时并没有使用 PyTorch，而是选择了 JAX。

总结：生态位的胜利 经过多年的演化，在超大模型训练这一“皇冠上的明珠”场景下，JAX + XLA + TPU 技术栈已经形成了一个完整的闭环。它不仅被验证是成功的，甚至在某些超大规模场景下，能取得比 Pytorch + CUDA + GPU 更优的能效比。在 Google Cloud 上，TPU 的 token 成本定价低于英伟达 GPU，就是最好的证明。这也是 Google Cloud 在云计算市场竞争中的秘密武器。总之：

英伟达 vs Google：两种技术哲学的碰撞

- 应用场景： 通用型霸主 vs 超大模型专用特种兵
- 软件门槛： 低门槛的群众基础 vs 高门槛的专家利器
- 商业模式： 庞大的全行业生态 vs 垂直整合的自研闭环

如果说英伟达就像一辆豪华的全能越野车，哪里都能去，谁都能开，到处都有维修店；那么 Google 就像一辆定制的 F1 方程式赛车，只能跑赛道，赛车手才能开。大多数人买车首选 SUV（英伟达），因为方便、省心；但在争夺世界冠军的顶级赛场上，追求极致速度的车队（如 Google、xAI、Anthropic）会考虑使用 F1 赛车（TPU）。

Google TPU 能干掉英伟达吗？

照你这么说的话，Google TPU 岂不是已经成功挑战英伟达，打破了英伟达 GPU 的绝对垄断地位吗？事情没有那么简单。

1. TPU 的局限性与 Google 的双重身份 前面提到 Google TPU 极其擅长超大模型的训练/推理以及大规模推荐系统，但在通用性上，其他场景要么根本不适用，要么能效比不如英伟达 GPU。 对于 Google 庞大的产品线（YouTube、Search、Cloud）来说，对通用 GPU 的需求依然是海量的。因此，Google 一边自研 TPU，一边依然是英伟达 GPU 的全球采购大户。这一点在未来几年内都不会改变。
2. 迁移成本高昂的“生态墙” 尽管在超大模型场景下，JAX + XLA + TPU 的技术栈能取得显著优势，但这要求你必须“从零开始”就拥抱 Google 生态。 如果现有的项目是基于 PyTorch 和 CUDA 深度优化的，想要迁移到 TPU，约等于重写底层代码并进行大规模兼容性测试。这种“重起炉灶”的时间成本和工程风险，足以让绝大多数企业望而却步。

因此目前来看，Google TPU 的用户群体画像非常清晰，主要就两类：一是高校科研（科学计算），二是超大模型的训练和推理。

为什么 TPU 会有很多科学计算用户？ 这是因为 Google Cloud 长期为高校科研开放免费的 TPU 资源（TPU Research Cloud），加上极度好用的 Colab 服务（免费提供 TPU/GPU 算力），在学术界圈粉无数，培养了一大批习惯 TPU 的科研生力军。

那么，超大模型领域的潜在客户呢？ 我们逐一分析市面上的两类大客户：
- 大型云计算厂商： Amazon, Microsoft, Oracle 以及 CoreWeave 等新兴 GPU 云厂商。
- AI 大模型厂商： OpenAI, Anthropic, xAI, Meta 等。

大型云计算厂商（Amazon, Microsoft）本身就是 Google Cloud 的死对头，且都在自研芯片（Trainium, Maia），绝无可能去买对手的算力。而 Oracle 和 CoreWeave 早就通过深度绑定英伟达赚得盆满钵满，是英伟达的铁杆盟友。
AI 大模型厂商呢？
- OpenAI： Google Gemini 的头号宿敌，微软的盟友，不可能用 TPU。
- xAI： 马斯克与 Google 积怨已久，且正通过特斯拉和 xAI 构建自己的超算集群。
- Meta： 回到开头的新闻，Meta 是个超级大户。虽然传闻在谈，但 Meta 也是 Google 广告业务的直接对手。扎克伯格目前手握全球最大规模的 H100 集群之一，并且 Meta 正在积极迭代自研芯片 MTIA。虽然他们不搞公有云，但为了战略安全和技术自主，Meta 不太可能全面依赖 Google 的 TPU，最多是作为补充或谈判筹码。
- Anthropic： 剩下的只有它了。Google 是 Anthropic 的大金主，所以 Anthropic 使用 TPU 是顺理成章的。

盘算下来，TPU 的外部大客户其实寥寥无几。 这点体量，完全不足以对英伟达的统治地位构成“颠覆性”冲击。 因此，Google 最明智的策略依然是：在 Google Cloud 上提供极致性价比的 TPU 服务，用“省钱”和“能效”从其他云厂商口中抢肉吃，而不是想着彻底干掉英伟达。

如果 Google 非要“头铁”，下场卖 TPU 芯片抢市场呢？ 我认为这极其不明智：

- 供应链与利润结构： TPU 是 Google 与博通（Broadcom）合作设计的 ASIC。如果对外售卖，不仅涉及复杂的供应链管理，还要分润给博通，这会拉低硬件毛利。卖贵了，打不过英伟达；卖便宜了，除去博通的成本，Google 图什么？
- 客户池太浅： 如前所述，愿意买 TPU 且不与 Google 构成直接竞争的大客户极少。
- 田忌赛马的反面： 用自己公司的“内部工具/副业”去硬拼英伟达赖以生存的“主业”，胜算能有多高？
- 最后，也是最关键的宏观背景： 目前全球 AI 数据中心市场正处于“短缺经济”时代。不仅 GPU 缺，HBM 内存、CoWoS 封装产能、电力、甚至建设数据中心的土地都极度紧缺。虽然各大科技巨头的资本支出（Capex）已经高得吓人，但面对爆炸性的业务需求，供给依然不够。微软今年初曾试图下调资本支出，结果发现需求太猛，转头又开始疯狂追加投入。
在一个供不应求的增量市场里，无论你填进去多少算力（无论是 GPU 还是 TPU），都会被瞬间吃干抹净。英伟达的 GPU 和 Google 的 TPU 目前仍处于“各自跑马圈地”的阶段，而非“你死我活”的零和博弈。

我的结论：
Google TPU 对英伟达确实有冲击，但不必过度恐慌。 从长期看，Google TPU 的存在更像是一个强有力的“议价筹码”。当大客户有了备胎（TPU 或自研芯片），英伟达就很难长期维持如今夸张的 75% 利润率。
英伟达未来的市场份额确实会受影响，主要来自：
- Google 自身业务（搜索、推荐、Gemini）更多转向 TPU，减少购买 GPU；
- Google Cloud 的深度合作伙伴（如 Anthropic）减少购买 GPU。 这可能会导致英伟达在数据中心的市占率从 90%+ 缓慢回落到 75%-80% 左右，但这并不改变其商业逻辑的本质。

这就像当年的 PC 市场： 苹果 Macintosh 电脑的崛起虽然让 Windows 的市占率有所下降，但并没有终结 Windows 的垄断。真正终结 Windows 霸权时代的，不是 Mac，而是智能手机的兴起。 同理，Google TPU 干不掉英伟达。真正能干掉英伟达的，只能是下一代计算范式的彻底变革。

Google 的成功是不可复制的

好吧，虽然你说的很有道理，但是 Google 能干成全栈自研，尝到了甜头的其他巨头岂不是会纷纷效仿吗？Amazon，Microsoft，Meta，OpenAI 这几个英伟达的头部大客户都在自研 ASIC 芯片，将来他们都减少了对英伟达芯片的采购，英伟达不是要喝西北风了？

我的观点就是：Google 的成功是不可复制的。

Google 的技术栈能够成功，综合了以下几个不可或缺的因素，而这恰恰是微软、Meta 和亚马逊所不具备的：
1. 十年的时间壁垒（Time & Iteration）
芯片设计不是搭积木，它需要漫长的迭代周期。 Google 早在 2013-2014 年就开始秘密研发 TPU，2016 年 AlphaGo 击败李世石震惊世界时，背后就是 TPU v1 在提供算力。
当微软在 2023 年才匆忙推出 Maia 100 时，Google 的 TPU 已经迭代到了第 6 代甚至第 7 代。
这 10 年间踩过的坑、修复的 Bug、积累的制程经验、以及对散热和互联架构的微调，绝非其他公司靠“砸钱”就能在两三年内追平的。在硅基世界里，经验值就是良率，就是能效比。
2. 真正全栈的“软硬一体”的垂直整合掌控力（Full-Stack Control）
这是 Google 最可怕的地方，也是其他巨头最大的软肋。
Google 拥有整个链条： 硬件（TPU）+ 编译器（XLA）+ 框架（JAX）+ 模型（Gemini）。Google 的科学家 Jeff Dean 可以让设计 Gemini 的算法团队直接坐在设计 TPU 的硬件团队对面，告诉他们：“我们需要一个特定的指令集来加速这个算子。”这种协同效应是核爆级的。
反观微软/Meta： 微软虽然造了 Maia 芯片，但它上面的软件栈主要依赖 OpenAI，而 OpenAI 和整个业界主流依赖的是 PyTorch。PyTorch 的亲爹是 Meta，但 PyTorch 对英伟达 GPU 的优化是刻在基因里的。
微软想要 Maia 好用，就得去魔改 PyTorch 底层，或者指望 OpenAI 为了适配 Maia 去重写代码。这中间不仅隔着公司墙，还隔着巨大的技术债务。
只要 PyTorch 依然是业界标准，其他自研芯片就永远是在“模拟”或“适配”英伟达，而 Google 是在玩一套完全独立的游戏规则。
3. 极其特殊的“光互联”基础设施（OCS Infrastructure）
前面提到的 OCS（光路交换）技术，是 Google 数据中心的独门绝技。 Google 为了适配 TPU 的大规模互联，甚至重新设计了数据中心的物理布线和机柜架构。这种光互联技术允许 TPU 节点之间以极低的延迟和功耗进行动态重组。 其他云厂商的数据中心是基于标准以太网架构建设的，想要复刻 Google 这套“光互联”网络，意味着要推翻现有的数据中心物理架构，这个沉没成本是天文数字。
4. 无法比拟的内部“吞吐量”（Internal Workload）
在生成式 AI 爆发之前，Google 就拥有地球上最庞大的 AI 推荐系统——Google Search、YouTube 推荐算法和 Google Ads。
这些业务每天产生数以亿计的并发请求，为 TPU 提供了天然的、海量的“练兵场”。
即便没有外部客户买单，Google 自己的业务就能消化掉 TPU 的产能。这让 Google 敢于在 TPU 早期性能不完善时，强行在内部推广（Dogfooding），通过海量真实数据把芯片“磨”出来。
相比之下，Meta 虽然有推荐算法需求，但起步晚且早期全押注 GPU；微软的 Azure 主要是卖资源给客户，如果自研芯片不好用，客户会直接用脚投票切回英伟达。

英伟达更像 AI 时代英特尔

著名电影《大空投》原型 Michael Burry 曾暗示英伟达正处于类似互联网泡沫时期的境地，不少看空者也认为英伟达与 OpenAI 之间相互投资和采购的关系，吹起了一个巨大的估值泡沫。他们认为一旦泡沫破裂，英伟达就会像 2000 年的 Cisco（思科）一样，股价暴跌 80% 以上。

但我认为，当下的英伟达并不像当年的 Cisco，而更像 PC 黄金时代的 Intel。 Intel 的股价腾飞始于 1993 年，于 2000 年触顶，随后经历了漫长的震荡与调整。 回顾那段历史，我们可以发现惊人的相似性：

- 1993 年之前（群雄逐鹿）： PC 的 CPU 市场处于混战时代，各路架构互不相让。
- 1993 年（霸主确立）： Intel 推出奔腾（Pentium）处理器，凭借强悍的性能一举确立了 CPU 市场的统治地位。
- 1995 年（杀手级应用爆发）： 微软推出 Windows 95，图形界面的革命引发了全球性的 PC 换机潮。受此驱动，Intel 的股价在 1996 年迎来了极高斜率的上涨。
- 2000 年（盛极而衰）： Intel 股价在 2000 年见顶，随后狂跌。这背后既有互联网泡沫破灭的宏观原因，也有 PC 市场渗透率见顶的因素。同时，Intel 在技术路线上遭遇了 AMD 速龙（Athlon）处理器的强力挑战，且在后续的 64 位指令集之争中（安腾项目）犯了严重的战略错误。

2022 年 ChatGPT 的横空出世，就是 AI 时代的 "Windows 95 时刻"，它极大刺激了全行业对于算力基础设施的升级换代。借助这股 AI 浪潮，英伟达正在狂飙突进。现在的英伟达，像极了 1997 年处于巅峰缓慢爬升期的 Intel。

我相信，在未来几年的 AI 算力市场将呈现“一超一强多级”的格局：
- 英伟达（The Generalist King）： 依然是绝对的“一超”。它占据 75%-80% 的市场份额，服务于所有追求通用性、追求开发效率、追求 Time-to-market 的企业。所有的初创公司、大部分云客户、以及需要频繁试错的模型团队，依然只能选英伟达。
- Google TPU（The Specialized Powerhouse）： 它是那个“特种部队”。它守住 Google 自己的万亿帝国，并在超大模型训练这一垂直领域，成为唯一能跟英伟达叫板的“异类”。
- 其他自研芯片和 AMD（AWS Trainium, MS Maia, Meta MTIA）： 它们更多是“成本调节器”。它们会被用于处理那些负载稳定、算法成熟的推理任务（比如每天运行几亿次的简单推荐或聊天机器人推理）。巨头们用它来通过简单的替代降低运营成本，也就是所谓的“省钱芯片”，但很难承担起“探索下一代 AI 前沿”的重任。

Google 的王者归来：全栈自研的胜利

2022 年底 ChatGPT 的横空出世，曾让 Google 这位 AI 领域的先行者显得黯淡无光。然而，站在 2025 年底的今天回望，Google 的表现足以让人刮目相看。
目前的 Google，是全球唯一一家真正实现了AI 全栈自研、软硬件垂直整合的头部厂商。这种整合优势正在形成巨大的飞轮效应：

- 算力底座： 在硬件层面，Google 利用 TPU 大规模集群高效实现了 Gemini 3 模型的训练和推理，摆脱了对外部 GPU 的依赖。
- 生态闭环： 通过多年的技术积累，打造了难以复制的软硬件一体化技术栈生态：JAX / XLA / TPU，极大地提升了研发效率。
- 云端优势： Google Cloud 虽然在市场份额上仍居 Amazon 和 Microsoft 之后，但增速惊人。更重要的是，得益于自研芯片，其 TPU 的租赁费用相比 GPU 拥有显著的价格优势，这对初创公司极具吸引力。
- 模型与成本：Gemini 3 在多项基准测试中已完全不输 GPT-5.1，甚至在长上下文和多模态理解上有所超越。基于自有云和芯片的成本优势，Gemini 能够提供更具竞争力的 API 调用价格，这种“低成本高智能”的反向优势正在快速抢占开发者市场。
- 产品矩阵全面开花：
1. NotebookLM 已成为“杀手级”的 AI 知识库和学习工具，深受科研与教育用户喜爱。
2. 多模态创作： Gemini 现已深度整合 Veo（视频生成）和 Imagen（图像生成），用户可在一个工作流中完成复杂的创作任务。
3. 搜索进化： Google Search 全面推出了 AI Overviews，成功将传统搜索与 AI 问答无缝整合。
4. 交互创新： 最新推出的生成式 UI (Generative UI) 更是令人惊艳，根据用户意图实时生成交互界面。

关键在于，Google 形成了一个从芯片、基础设施、模型到应用产品的完整闭环，各环节还能互相加强。这就好比 Google 一家公司独自完成了“英伟达 + 微软 + OpenAI”三家公司的工作。再加上 Google 全球数十亿的用户基数，以及 Chrome 浏览器和 Android 移动端两大核心入口，其上限不可估量。

为何半年前股价低迷、备受质疑的 Google，能在这半年实现逆袭？
此前市场看衰 Google，主要基于以下隐忧：

- 商业模式挑战： Google Search 靠竞价排名赚钱，市场担心 AI 问答范式会彻底颠覆这一现金牛。
- 大公司病与人才流失： 尽管 AI 大模型的基石——Transformer 论文是 Google 于 2017 年发表的，但果实却被 OpenAI 摘取。CEO Sundar Pichai 被认为过于稳健，缺乏魄力；内部 DeepMind 和 Google Brain 两个顶尖团队曾各自为战，内耗严重，导致许多论文作者离职。
- 模型落后： 在 Gemini 2.5 发布之前，Google 长期被 OpenAI 的 GPT 系列压制，甚至一度不如 Anthropic 的 Claude，面临在 AI 时代掉队的风险。

但在过去两年，Google 成功扭转了局势：

- 搜索护城河依然稳固： 事实证明，Google Search 并未被轻易颠覆，反而通过集成 AI 变得更强。用户在多轮对话中不仅有明确的个性化需求，AI 还能更精准地推荐个性化的产品与服务。广告业务被 AI 范式颠覆的风险被大大高估了。
- 组织架构重塑： 2023 年起，创始人 Sergey Brin 回归一线，深度参与模型开发。Google 将原本竞争的两个 AI 团队合并为 Google DeepMind，由 Demis Hassabis 挂帅。这一举措成功消除了内耗，重新激活了团队的创新力。
- 模型反超：Gemini 3 Pro 如今展现出后来居上的态势，不仅在性能上反超 GPT-5.1，市场占有率也稳步攀升。攻守之势异也，现在压力来到了 OpenAI 一方。

归根结底，AI 时代的核心竞争点依然是谁能做出最强的大模型。
如果 Gemini 弱，Google 的生态优势无从发挥；一旦 Gemini 领先，Google 强大的全栈整合能力就会瞬间爆发，形成降维打击。
最后我想说，英伟达是算力时代的‘卖水人’，而 Google 是全栈 AI 的‘领航员’。它们都是伟大的公司，对于投资者来说，与其在非此即彼的零和博弈中焦虑，不如看到它们各自不可替代的价值——这两者都值得你们同时拥有。

#AI产业 #大模型 #AI基础设施 #GPU #Gemini #TPU #JAX #XLA #CUDA #谷歌 #英伟达 December 12, 2025

視野が狭い、悲観的、社会に出れば関係ない、等という指摘については、恐らく大多数の考え方は記事中に書かずとも、自身で理解し浮かんでいます。ここまで悲観的に考えることもない、と分かっていても気持ちとしては辛い、ということが言いたいのです。 December 12, 2025

@orbomxGro @jtmpadph @01_mewtwo 想定していますｗｗｗｗ
無理だよｗｗｗｗ
多くに＝大多数じゃねえからなｗ
多くにはあくまで数が多いことでしかねえわ
多い＝大多数とかどんな障害者だよｗ December 12, 2025

@jtmpadph @orbomxGro @01_mewtwo 多くに＝大多数じゃねえからなｗ
多くにはあくまで数が多いことでしかねえわ
多い＝大多数とかどんな障害者だよｗ December 12, 2025

@moco_neco0422 引用見たら殆どが羊のショーンの犬にしか見えないが大多数でした🤣 December 12, 2025

いつでも和気あいあいとしているアルファズのパワーも関わってるって信じたい

実際僕は家族に打ち明けてない本音があるし、親友にも言えない本音もある
このことを話して失望されたらどうしようなんて思ってずっと隠してることもある

僕はこっちの方が大多数だと思う。 December 12, 2025

みんなが感情で殴り合っても良い結果にはならないのになぁ
自分の経験が全てじゃない。自分の聞いた話が全てじゃない。自分の普通がみんなの普通とは限らない。感じ方もみんな違う。平等は難しい。
制度の網目は大きいから大多数を救える。溢れちゃう人をどうやって救うかをみんなで考えなきゃなのに December 12, 2025

@KNHjyohokyoku 今のドイツを見てみろよ？過度の軍縮で何が起きているか？現実を見ずに理想論を語るだけだからアンタらは大多数に支持されないんだろ。 December 12, 2025

認知されてなければ叩いてさえくれないし、ロミンガーの法則的にも大多数がそこそこ満足で、一部がすごく好意的、そして一部がちょっと厳しい意見というのは当たり前な感じかなぁ。
不満には因縁もあるだろうけど、期待のこもった意見もあるのでプラスの面は積極的に拾っていきたいところ。 https://t.co/3wrKC901Lb December 12, 2025

### テレパシー実験の歴史（1880年代〜2025年現在）

テレパシー（心霊感応、telepathy）を科学的に検証しようとする試みは、近代心霊研究の誕生とほぼ同時に始まりました。以下に、時代ごとに主要な流れと代表的な実験を整理して示します。

| 時期 | 主な研究者・機関 | 実験手法・特徴 | 主な結果・意義
| 1882〜1890年代 | 英国心霊研究協会（SPR）創設者（Myers, Gurney, Sidgwick） | カード当て（Zenerカードの原型）、思考伝達実験 | 初期の統計的アプローチを開始。成功率は偶然よりやや高い |
| 1930〜1950年代 | J.B. Rhine（デューク大学 | Zenerカード（星・波・円・十字・四角の5種）を使った大規模統計実験 | ESP研究を「超心理学（Parapsychology）」として学問化。1934年『Extra-Sensory Perception』出版 |
| 1940〜1960年代 | S.G. Soal（英国| Soal-Goldney実験（高スコア被験者発見）| 後にデータ改ざん疑惑で失墜 |
| 1969〜1970年代 | マイモニデス医療センター（ニューヨーク） | 夢テレパシー実験（被験者が睡眠中に送信画像を受信） | ヒット率約63%（偶然12.5%）と高い結果 |
| 1974〜1990年代 | Charles Honorton（マイモニデス→プリンストン） | **ガンツフェルト実験**の開発・標準化 | メタアナリシスでヒット率約32%（偶然25%）と統計的有意 |
| 1982〜1989 | Honorton & Hyman共同メタアナリシス | ガンツフェルト28研究の統合解析 | 効果は存在するが「感覚漏洩」の可能性を指摘 |
| 1990年代 | Daryl Bem, Charles Honorton | 自動化ガンツフェルト（auto-ganzfeld）| コンピュータ制御で感覚漏洩を排除。依然として有意 |
| 1994〜2007 | プリンストン大学 PEARラボ（Robert Jahn） | ガンツフェルト＋REG（乱数発生器）併用 | 小効果だが長期間で有意 |
| 1997〜現在 | エディンバラ大学 Koestler Parapsychology Unit | ガンツフェルト、デジタル画像送信実験 | 再現性が高く、現在も継続中 |
| 2010〜2018 | Daryl Bem（コーネル大学） | 「予知的テレパシー」9実験（Feeling the Future） | 2011年トップジャーナル掲載→大論争→再現失敗多数 |
| 2011〜現在 | メタアナリシス時代 | Bemら、Stormら、Cardeñaらの大規模メタアナリシス | ガンツフェルト全体で効果量 d ≈ 0.14（小〜中程度）、Bayes因子で「強力な証拠」 |
| 2018〜2025 | ニューロイメージング併用 | メタアナリシス＋fMRI/EEG研究（例: Richards et al. 2023） | 受信者脳で送信画像と対応する領域の活性化を観察 | 生理学的相関が初めて報告され、従来の「感覚漏洩」批判を弱める |
| 2020〜現在 | 民間・オープンサイエンス | Institute of Noetic Sciences, Neurocamプロジェクト | スマートフォンアプリやVRを用いた大規模市民科学実験進行中 |

現在の科学的コンセンサス（2025年時点）
- ガンツフェルト法は、超心理学実験の中で最も再現性が高い手法とされている（Cardeña, 2018メタアナリシス：p = 4.3 × 10⁻¹³）。
- ただし主流心理学・認知科学の大多数は「まだ決定的証拠ではない」「方法論的問題が完全に排除されていない」との見解。
- 近年は「異常認知（anomalous cognition）」として、量子生物学や意識研究の文脈でも再評価される動きがある。 December 12, 2025

活動者に対する誹謗中傷のラインがどんどん厳しくなってきてる、ちょっとした批判すらも誹謗中傷みたいな
個人的にネットはもっと好き勝手言える場所であって欲しいし、それに苦しむ人はそもそも大多数から色々言われる活動者に向いてないと思う December 12, 2025